Personalizing Social Influence Strategies in a Q&A Social Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Research has shown that persuasive technologies are more effective when they are personalized. Persuasive strategies work differently for various people; hence a one size fits all approach may not bring about the desired change in behavior or attitude. This paper contributes to personalization in question and answer (Q&A) social networks by exploring the possibility of personalizing social influence strategies based on the computer programming skill level and the highest level of education of users. In particular, this paper explores the susceptibility of users in Stack Overflow, a Q&A social network, to social support influence strategies for novice and expert computer programmers. In addition, we explore if first degree holders respond to the social support influence strategies the same way graduate degree holders do. Using a sample size of 282 Stack Overflow users, we constructed four models using Partial Least Squares Structural Equation Modelling (PLS-SEM) and carried out multi-group analysis between these models. The results of our analysis show that social facilitation significantly influences cooperation for novice programmers, but not for expert programmers. In addition, social learning does not significantly influence the persuasiveness of the system for expert programmers compared to users who are novice in computer programming. For the users grouped according to their highest level of education, social learning influenced cooperation among the graduate degree holders and competition influenced the graduate degree holders to continue using the system. The result of this study can provide useful guidelines to social network developers that can be used in implementing personalized influence strategies in Q&A social communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle